基于3D影像视觉的自动光学检测技术及其重要性分析

自2008年全球金融海啸导致各欧美传统强国经济重创、欧债危机爆发，各国政府近年来开始将制造业竞争力列为重点目标，促使各国政府重新重视制造业的重要性，如2011年德国提出「工业4.0」，主要着重在推动「 智能工厂」，发展许多技术策略，如自动化机器人、大数据数据分析、物联网、网络服务等，以人机共同合作模式来提升产品生产力及质量管理。 藉此除了提高不少生产价值外，更能维持在全球制造领域的领先优势。

本文主要以3D影像视觉为基础，检测轮胎缺陷为例，首先了解自动光学检测（Automated Optical Inspection， AOI）技术及其重要性，再说明AOI技术导入缺陷检测取代传统人力目视检测， 最后利用3D视觉缺陷检测技术结合实际应用，于不同类型产品进行缺陷检测。

改进传统目视检测缺点 自动光学检测精确度高

自动光学检测或自动表面检测（Automated Surface Inspection， ASI）主要以「机器视觉」做为检测关键技术，利用高精确度、高速度的光学仪器，以非接触的方式取得产品的外观表面状态， 接着再以图像处理技术取代人类肉眼来检测出是否有无异物或异常裂痕等瑕疵，改进传统上以人力目视进行检测的缺点，细微缺陷误差较不易察觉等问题。

AOI技术导入好处多 产品不良率大减

AOI应用领域非常广泛，包含量测镜头技术、光学照明技术、定位量测技术、电子电路测试技术、图像处理技术及自动化技术应用等领域，广义的AOI设备为结合光学感测系统、讯号处理系统及分析软件，应用层面可包括宇宙探测、航空、 卫星遥测、生物医学、工业生产质量检测、指纹比对、机器人控制、多媒体技术。 应用产业包括了食品加工、建筑、电子、机械、钢铁、轮胎、纺织及半导体等。

应用于工业检测技术方面，相关设备大厂如ISRA Parsytec、康耐视（Cognex）、LASE、SmartRay等，也逐渐开始将3D视觉核心技术投入研发，突破过去主流基于亮度的图像处理技术，有效提升缺陷检测的准确性， 3D影像之表面缺陷检测技术为一个新颖且值得去深入研究的领域，若未来能稳定成熟发展此项技术，将带给工业检测技术另一个高峰。

自动光学检测技术是一种自动化的机器视觉检测技术，对于提升产能与产品质量扮演着相当重要的角色，取代传统的人工目视检测，应用层面广泛。

近年来，世界各国纷纷投入3D可视化技术实际应用，藉此突破过去基于亮度之影像技术，常受限于作业现场环境光线、机器设备或制造材质等影响，检查工程时容易导致肉眼判断失准，不注意就会遗漏缺陷或瑕疵， 无法准确侦测或辨识出问题所在位置，在所有产品制造阶段，缺陷检测是非常重要的一环，为产品的质量做最后把关，有好的质量才能持续赢得消费者的信赖。

自动光学检测结合几个重要的架构，光学照明部分，透过CCD镜头（Charge Coupled Device）（图1）、光学照明设备，将光学图像转换为电子讯号；系统主机部分，由PC与周边组成；动力控制部分，可程序逻辑控制器（ PLC）或PC Base控制主机；图像处理部分，图像处理算法、软件、通讯设备等。

图1 CCD自动光学镜头处理检测对象

数据源：wikipedia［1］

在进行工业自动化生产过程中，由于传统产品检测大多是以人力为主，不仅生产率有限，消耗的人事成本也相对较高，也会有人为误判的机率。 而AOI技术投入在产品自动化制程中，除了能大幅缩短检测缺陷时间、降低产品不良率、准确检测出人类目视所遗漏的缺陷与异物等，稳定度和生产效率也会有显著的成长。

随着机器视觉技术不断进步与成长，应用领域也越来越广泛，像是在工业检测与商业应用方面，机器视觉技术常被用来检测产品瑕疵缺陷部分，此技术本身具有成本低、效率高、准确度佳等优点，是人机互动中关键技术之一。

用机器视觉技术结合自动化检验制程中工业产品之瑕疵，能提高整体制程效能，如电路板线路上之缺陷、半导体晶圆外观表面检测裂痕缺陷、LCD面板表面之缺陷瑕疵等肉眼较不易检测的缺陷，皆能使用自动化缺陷检测技术达到产能提升、质量稳定 、降低生产成本、减少人为误差等效益。

自动化缺陷检测应用于产品实例，元智大学工业工程与管理学系之机器视觉实验室建立一套自动化的检测系统，于太阳能硅芯片（Solar Wafer）之微裂瑕疵检测。 太阳能硅芯片具有复杂晶格纹路之特性，因此利用非线性扩散（Anisotropic Diffusion）设计一个扩散系数函数，同时使用灰阶值与灰阶梯度值做为扩散处理的权重因子，将改善后的非线性扩散模式， 将针对瑕疵区域进行较大程度的扩散平滑处理，并且抑制正常表面区块的平滑效果。

藉由改善后的非线性扩散模式将太阳能芯片正常区块之灰阶保留不变且针对微裂瑕疵之灰阶做平滑处理，接着使用原始影像与经过扩散处理结果之影像相减，以去除正常区块并凸显微裂瑕疵于差异影像（Difference image）中， 最后使用二值化与形态学（Morphology）后处理技术分割瑕疵并去除噪声。